O hemograma completo continua a ser um dos exames laboratoriais mais utilizados, uma vez que proporciona uma visão geral rápida das principais populações de células sanguíneas e dos parâmetros essenciais. No entanto, à medida que a carga de trabalho dos laboratórios aumenta e as equipas clínicas necessitam de informações mais rápidas e fáceis de interpretar, os resultados numéricos, por si só, não respondem a todas as questões que se colocam durante a análise — especialmente quando são detetados sinais de anomalia ou populações celulares atípicas que exigem uma análise mais aprofundada.

A morfologia digital assistida por IA está a tornar-se uma parte cada vez mais visível dos fluxos de trabalho da hematologia moderna, embora as arquiteturas de implementação variem. Alguns sistemas integram a imagiologia e a classificação diretamente na análise do hemograma completo (CBC), enquanto outros ligam a hematologia automatizada a plataformas de morfologia digital separadas. Em todas estas arquiteturas, a IA pode apoiar o reconhecimento celular, a classificação e a organização de informações relacionadas com a morfologia. Em sistemas integrados de hematologia baseados em imagens, a medição do hemograma completo, a imagiologia celular, a classificação assistida por IA e a revisão apoiada por imagens podem ser reunidas no mesmo fluxo de trabalho analítico.

Para os hospitais e laboratórios que estão a avaliar esta mudança, a questão vai além de saber se um analisador consegue gerar mais parâmetros. Trata-se de saber se o sistema consegue transformar a informação sobre as células sanguíneas num fluxo de trabalho que possa ser revisto, rastreável e útil do ponto de vista operacional.

Por que razão os fluxos de trabalho de hemograma completo (CBC) continuam a exigir uma análise morfológica

Os resultados do hemograma completo de rotina não esclarecem todas as questões de revisão

Os modernos analisadores hematológicos automatizados fornecem, em grande escala, parâmetros quantitativos do hemograma completo, diferenciais leucocitários, alertas, histogramas, diagramas de dispersão e outros resultados específicos do sistema. As contagens de glóbulos brancos, os índices de glóbulos vermelhos, a hemoglobina, as medições de plaquetas e os resultados do diferencial continuam a ser fundamentais para a avaliação diária dos doentes. Estes resultados são eficientes para um volume elevado de trabalho e constituem uma base quantitativa importante para a avaliação hematológica.

No entanto, um resultado numérico ou um indicador do instrumento nem sempre explica o padrão celular subjacente. As amostras com características de dispersão invulgares, padrões diferenciais anormais, células imaturas, linfócitos atípicos ou questões relacionadas com a morfologia podem exigir uma análise mais aprofundada. Num percurso laboratorial tradicional, essa escalada conduz frequentemente à preparação de um esfregaço de sangue periférico e ao exame microscópico manual.

A revisão morfológica depende do tempo disponível do especialista

A análise morfológica manual continua a ter um valor clínico substancial, mas exige muitos recursos. A identificação precisa do tipo celular, da maturidade, das características nucleares, das características citoplasmáticas e dos padrões atípicos depende da formação e da experiência adquirida ao longo do tempo. A carga de trabalho da revisão também varia significativamente: um laboratório pode processar muitas amostras de rotina de forma eficiente, mas depois deparar-se com um conjunto de amostras sinalizadas ou complexas que exigem uma atenção especializada e concentrada.

Os desafios da análise morfológica manual vão além das exigências técnicas da utilização de um microscópio. Os laboratórios precisam de manter uma abordagem consistente na análise morfológica, independentemente dos diferentes turnos, locais e variações no volume de amostras. Isto torna necessário concentrar a atenção dos especialistas nas amostras que requerem uma avaliação mais aprofundada, mantendo simultaneamente o controlo profissional sobre a interpretação final.

Os testes distribuídos impõem novos requisitos ao fluxo de trabalho

Os exames hematológicos já não se limitam aos grandes laboratórios centrais. Hospitais, serviços de consultas externas, serviços de urgência, centros de exames médicos e redes de cuidados de saúde distribuídas necessitam todos de fluxos de trabalho de análise sanguínea oportunos e fiáveis. Estes ambientes diferem em termos de volume de amostras, pessoal, espaço físico, capacidade de manutenção e acesso a conhecimentos especializados em morfologia.

Esta mudança aumenta o valor dos sistemas capazes de combinar a análise de rotina do hemograma completo com percursos de encaminhamento bem definidos para as amostras que necessitam de uma análise adicional. Para os laboratórios que estão a explorar esta transição, soluções para analisadores de hematologia humana refletem cada vez mais uma tendência mais ampla do setor no sentido de integrar as análises sanguíneas de rotina com informações centradas na morfologia, em vez de as tratar como fluxos de trabalho independentes.

Dos parâmetros numéricos às informações digitais das células

Uma área importante na hematologia é a integração da morfologia celular digitalizada nos fluxos de trabalho já estabelecidos do hemograma completo (CBC). Os analisadores convencionais autónomos apresentam principalmente valores quantitativos, percentagens, histogramas, diagramas de dispersão e alertas. Os sistemas de morfologia digital acrescentam informação visual sobre as células que pode ser armazenada, analisada, comparada e associada ao resultado numérico.

Essa distinção é importante porque a morfologia é, por natureza, visual. O tamanho das células, a granularidade, a forma do núcleo, o padrão da cromatina, o aspeto citoplasmático e a fase de desenvolvimento não podem ser totalmente transmitidos através de um único índice numérico. Um fluxo de trabalho estruturado de imagem pode proporcionar ao pessoal do laboratório outra forma de investigar por que razão um resultado foi assinalado ou por que razão uma amostra merece atenção adicional.

Uma forma útil de compreender esta evolução é encará-la como um modelo em camadas:

Camada de informação	Produção primária	Função operacional
Hemograma completo de rotina	Contagens, índices, valores diferenciais	Determina o perfil hematológico quantitativo
Indicadores e distribuições dos instrumentos	Alertas, histogramas, gráficos de dispersão	Identifica amostras que possam necessitar de uma análise mais aprofundada
Morfologia digital	Imagens celulares e achados relacionados com a morfologia	Acrescenta contexto visual para revisão
Análise assistida por IA	Pré-classificação e avisos de anomalias	Ajuda a estabelecer prioridades na análise e a organizar os dados
Análise profissional	Reclassificação, revisão dos resultados e autorização	Assegura a supervisão por parte de especialistas e a prestação de contas

As diferentes arquiteturas lidam com esta camada de forma distinta. Nos fluxos de trabalho de morfologia digital a jusante, os indicadores do analisador ou as regras de revisão do laboratório podem determinar quais esfregaços passam à fase de imagem digital. Nos sistemas integrados de hematologia baseados em imagem, a captura de imagens celulares e a classificação assistida por IA podem fazer parte do fluxo de trabalho analítico principal, enquanto as regras do laboratório determinam quais resultados requerem uma revisão profissional adicional.

O que muda quando a morfologia assistida por IA é integrada aos exames CBC?

Um Analisador AI CBC não é simplesmente um aparelho convencional de hemograma completo (CBC) ao qual foi adicionada uma funcionalidade de IA. Representa uma abordagem de fluxo de trabalho que reúne a imagem celular, a análise algorítmica e a apresentação dos resultados,

e revisão profissional. A sua utilidade depende do facto de estes elementos apoiarem um processo laboratorial claro, passível de revisão e prático.

A imagiologia padronizada é a base

A morfologia assistida por IA depende da qualidade e da consistência das imagens. Se as imagens das células estiverem mal separadas, tiverem sido obtidas de forma inconsistente ou forem difíceis de comparar, a classificação algorítmica torna-se menos útil e a análise profissional fica mais lenta. A preparação consistente das amostras, a coloração, a aquisição de imagens, a focagem, a segmentação e a apresentação das imagens afetam, todas elas, a qualidade da análise morfológica digital.

Para os laboratórios, isto significa que a avaliação de um sistema baseado em IA deve ir além do seu princípio analítico. As equipas de avaliação devem questionar-se sobre a forma como o sistema apresenta as imagens, se as células podem ser inspecionadas de forma eficiente, como as imagens correspondem aos resultados comunicados e como o fluxo de trabalho lida com as amostras que necessitam de encaminhamento para análise mais aprofundada.

A IA apoia a triagem, mas não o diagnóstico independente

A IA pode ajudar na deteção de células, na segmentação de imagens, na pré-classificação e na identificação de padrões que possam justificar uma revisão. Estas capacidades podem reduzir a triagem visual repetitiva e ajudar um laboratório a concentrar a atenção onde ela é mais necessária.

Um Análise da ICSH sobre analisadores digitais de morfologia describes AI-based cell preclassification as a way to automate parts of blood-smear review and support faster slide assessment. The same review emphasizes that skilled morphologists remain essential for cell reclassification and diagnostic interpretation.

These recommendations primarily address digital blood-smear morphology workflows. Integrated image-based CBC systems may use different analytical architectures, so their morphology outputs and review pathways should be evaluated according to the system’s validated intended use and laboratory procedures.

The practical use case is therefore closer to triage than autonomous diagnosis. A system may organize cells into preliminary groups, highlight images associated with atypical findings, or make it easier to compare morphology-related information with CBC data. A qualified reviewer must still assess the relevance of the finding, assess the finding alongside other laboratory results and relevant clinical information.

This distinction is especially important for abnormal and uncommon samples. Algorithms can support consistency and speed, but local validation, quality controls, review procedures, and human accountability remain necessary components of clinical laboratory practice.

Image-Backed Results Improve Reviewability

A result becomes more useful when the reviewer can see the evidence associated with it. In a morphology-oriented workflow, that may include relevant cell images alongside quantitative findings and AI-assisted categories. Instead of receiving only a generic alert, the laboratory can review a more structured set of information.

This approach can support several practical tasks:

• Reviewing the visual basis for an abnormality prompt
• Comparing morphology-related findings with CBC values and differential patterns
• Recording or revisiting images for quality review and staff training
• Supporting communication between laboratories or between laboratory and clinical teams when an image-based discussion is needed

Digital morphology also has broader operational uses. Image archiving, remote review, competency assessment, quality assurance, and educational workflows can all benefit from a system that converts transient microscope observations into organized digital information.

The Workflow Impact: Where AI Adds Value

Laboratory workflows vary by sample mix, review criteria, staffing, and information-system design. AI-assisted morphology can therefore enter the CBC workflow through different architectures. Two broad models help illustrate the distinction: downstream digital morphology after CBC screening e integrated image-based morphology within the primary hematology workflow.

Model 1: Rule-Triggered Digital Morphology

In a downstream digital morphology workflow, routine CBC analysis is performed first. Analyzer flags, abnormal distributions, or laboratory-defined review criteria determine which samples require additional morphology assessment.

A typical sequence may include:

• Sample receipt and identification: The specimen enters the laboratory through established accessioning and identification procedures.
• Routine CBC analysis: The analyzer generates quantitative results, differential information, graphical outputs, and instrument flags.
• Review-rule selection: Laboratory-defined criteria determine whether the sample requires additional morphology review.
• Smear preparation and digital imaging: Selected samples proceed to blood-smear preparation, imaging, and AI-assisted cell preclassification where applicable.
• Professional morphology review: Qualified laboratory personnel review and, where necessary, reclassify cells or request additional microscopy or testing.
• Result review and reporting: Findings are reviewed according to laboratory procedures before the result is authorized and released.

In this model, digital morphology is introduced after the initial CBC result, primarily for samples that meet defined review criteria.

Model 2: Integrated Image-Based Hematology

In an integrated image-based hematology workflow, cell imaging and AI-assisted classification are incorporated into the primary analytical process rather than added only after a CBC flag.

A typical sequence may include:

• Sample receipt and identification: The specimen enters the established laboratory workflow.
• CBC analysis and cell imaging: Quantitative hematology results and cell-image information are generated within the same analytical workflow.
• AI-assisted classification: Algorithms organize or classify image-based cellular information according to the system’s validated capabilities.
• Laboratory-defined review: Quantitative results, flags, morphology-related findings, and corresponding images are reviewed together. Laboratory rules determine which results require additional professional attention.
• Additional review where required: Manual smear review, microscopy, repeat testing, or other follow-up procedures may still be used when automated findings are uncertain, discordant with other laboratory information, or meet established review criteria.
• Result review and reporting: Qualified personnel apply laboratory procedures before results are authorized and released.

In this model, image-based morphology is already available within the initial hematology workflow. The laboratory does not necessarily decide whether images are generated after a flag; instead, its review rules determine which results require additional professional assessment.

O Difference Is Where Morphology Enters the Workflow

Both approaches retain professional oversight. The key distinction is the point at which morphology-related information becomes available.

Workflow architecture	When morphology enters	Role of laboratory review rules
Downstream digital morphology	After CBC screening, for selected samples	Determines which samples proceed to smear imaging and morphology review
Integrated image-based hematology	During the primary CBC analytical workflow	Determines which image-backed results require additional professional review or follow-up

AI therefore does not replace laboratory review in either model. Its role is to help organize, classify, and present morphology-related information within the architecture used by the laboratory. The practical value depends on whether that information is integrated into a clear review process, supported by appropriate quality procedures, and interpreted by qualified personnel.

Application Scenarios for AI-Assisted CBC Workflows

Different healthcare settings face different constraints, so the value of an Analisador AI CBC will vary by use case. The same technology should not be assessed with a single “more automation is better” standard.

Central Laboratories

High-volume central laboratories may benefit most from structured exception handling. The priority is often not merely producing results quickly, but ensuring that flagged and complex samples move efficiently to appropriate review. AI-assisted preclassification and image-backed findings can help reviewers focus on samples with greater morphology-related relevance.

For these laboratories, integration matters. A morphology platform that sits outside the main result-review process may add another manual handoff. The operational value increases when quantitative data, images, review tools, and laboratory information-system workflows are coordinated.

Hospital Departments and Time-Sensitive Testing

Emergency departments, inpatient services, hematology units, and oncology-related care settings may place particular value on timely recognition of samples that warrant escalation. The analyzer does not make a diagnosis, but it can help the laboratory identify which results should be reviewed with greater urgency.

The relevant requirement is clarity. Reviewers need a result format that brings together cell counts, relevant flags, morphology-related prompts, and accessible images without forcing them to navigate several disconnected interfaces. A clear workflow can support faster review decisions while maintaining appropriate professional checks.

Distributed and Resource-Constrained Settings

Smaller laboratories, outpatient facilities, and distributed healthcare networks may have limited access to staff with extensive morphology experience. In these settings, compact automation and standardized imaging can help make morphology-related information more accessible within a routine testing process.

Digital images may also create a foundation for remote consultation or centralized review, where laboratory governance and local procedures allow it. This does not remove the need for trained professionals. It can, however, make specialist expertise easier to direct toward the samples and sites that need it most.

From Industry Trend to Deployable System

The move toward morphology intelligence is influencing how hematology platforms are designed. In addition to routine analysis, laboratories increasingly expect image-backed review, AI-assisted recognition, automation, and information connectivity to work together rather than exist as separate components.

Ozelle applies this approach through its AI × Complete Blood Morphology (AI × CBM) framework, which brings AI-assisted morphology and cell-image evidence into human hematology workflows. The framework reflects the wider move from isolated parameter reporting toward more structured, reviewable morphology information.

Within this framework, the Analisador hematológico automatizado O-Cyte 1 combines 7-diff CBC testing with AI-assisted morphology in a single workflow. It automatically recognizes and classifies blood cells, linking quantitative findings and morphology-related results to corresponding cell images. This format gives laboratory professionals a more direct route from an abnormality prompt to image-backed evidence for review.

For laboratories considering how morphology intelligence fits their own testing environment, Ozelle’s hematology solutions provide a reference point for examining how routine CBC analysis, image-based information, and AI-assisted review can be combined in a single operational model.

The Next Phase of CBC Analysis

The next phase of hematology is likely to depend not on AI alone, but on how effectively quantitative CBC analysis, morphology, digital evidence, and professional review can be integrated.

An AI-assisted image-based hematology workflow can add visual morphology evidence to the quantitative, differential, graphical, and flag-based information already produced by automated CBC systems. The opportunity is not to remove professional expertise from the process, but to make morphology information more accessible, reviewable, and better integrated into laboratory-defined procedures.